Тест за генеративни модели, базирани на резултати

Отговорите и обясненията се появяват, докато отговаряте на теста.

1. Какъв точно е „резултатът“, който научават тези модели?
   • Градиентът на логаритмичната плътност на вероятността по отношение на входа
   • Качествен рейтинг от 0 до 100 за всяко изображение
   • Броят на завършените епохи на обучение
   • Класификационният етикет на точката от данни
2. Защо базираните на резултати модели се обучават върху данни, повредени с шум в множество мащаби?
   • За да изглеждат изображенията артистично
   • Тъй като резултатът е труден за оценка, когато чистите данни са оскъдни и шумът запълва тези региони
   • За да намалите размера на файла на набора от данни
   • Защото шумът ускорява графичния процесор
3. Коя процедура за вземане на проби са използвали ранните базирани на резултати модели за генериране на данни?
   • Градиентно спускане на пикселите към фиксирано целево изображение
   • Умножение с една матрица
   • Динамика на Langevin — пристъпване по партитурата при добавяне на шум
   • Произволно изрязване и обръщане
4. Каква основна връзка установи документът за SDE за 2021 г.?
   • Че GAN винаги са по-добри от дифузията
   • Че невронните мрежи не могат да моделират изображения
   • Тези модели на резултати работят само в две измерения
   • Тези дифузионни модели и базирани на резултати модели са два изгледа на един и същ непрекъснат SDE процес
5. Как прогнозирането на шума е свързано с прогнозирането на резултата при съпоставяне на резултата за премахване на шум?
   • The conditional denoising-score target is −ε/σ for standardized Gaussian noise; the model estimates the noisy-data score
   • Noise prediction and score estimation are unrelated
   • Предсказването на шума е невъзможно
   • Резултатът винаги е нула за данни с шум
6. Какво позволява детерминистичният „поток на вероятности ODE“, което чистото стохастично вземане на проби не осигурява лесно?
   • По-висока консумация на енергия на GPU
   • Точно изчисляване на вероятността и детерминистичен път на вземане на проби
   • Автоматично етикетиране на набор от данни
   • Премахване на необходимостта от каквато и да е невронна мрежа
7. In score-based generation, what does the reverse-time SDE do?
   • It converts image labels into captions
   • It adds noise to an already generated output only
   • It transforms a prior noise distribution back toward the data distribution
   • It estimates the class label of each pixel
8. In a score-based MRI reconstruction method, how can a learned image prior help recover an undersampled scan?
   • Use the prior alone and ignore measured k-space data
   • Combine the learned score prior with the measurement constraint during posterior sampling
   • Replace all measurements with random noise
   • Treat the score as a diagnosis of the patient